思想领袖

应用经济正在改变:当任何人都能打造自己的软件时,会发生什么?

Bindesh Vijayan
将 Unite.AI 添加到您在 Google 上的首选来源
要点个人应用只服务一个人,而生产软件则要对依赖它的陌生人承担责任。
查看更多
  • 个人应用只服务一个人,而生产软件则要对依赖它的陌生人承担责任。
  • 根据Stack Overflow的调查,人工智能加速了编码,但46%的开发者不信任其准确性。
  • 人工智能放大了团队现有的优势,因此工程师从编写代码转向评判代码。

从挑选应用,到描述自己想要的应用

2026年10月13日,Google宣布,Android 用户现在可以借助 Google AI Studio 创建自己的应用,并通过 Google Play 在自己的手机上私下运行,无需在公开应用商店上架。这些应用是通过“氛围编程”打造的:你用通俗的语言描述想要什么,AI 就会把它编写出来。首批版本仅面向美国用户和年满18岁的人群;未来几个月内,用户将可以与一小群信任的联系人分享应用。

这种转变说来简单。过去15年,人们问的是“我该下载哪个应用?”如今,问题可以变成“我想让手机为我做什么?”Google Play 与开发者生态系统副总裁兼总经理 Sam Bright 将这一转变概括为:从“这种事总有一个应用”变成“有一个应用是为我而做的”。

想象一位家长,希望在一个屏幕上查看本周的学校接送安排、足球赛日程和购物清单。应用商店里没有这样的应用,因为没有哪家商店会专门开发它。如今,这位家长只要描述自己的需求,当天晚上就能在手机上用上这个应用。

我对此表示欢迎。它让从未拥有过这种能力的人也能掌握真正的创造力。但这也引出了一个值得明确回答的问题:个人应用和软件是一回事吗?在我看来,并不是。

构建一个应用,不等于打造能大规模运行的软件

个人应用可能只需满足一个人的使用需求。供客户、员工或公众使用的软件,则必须可靠运行,让依赖它的人能够放心使用。两者都是软件,但当其他人开始依赖你构建的东西时,你承担的责任就变了。

个人用途应用 面向多位用户的生产环境软件
使用者 你,或少数你信任的人 数百至数百万名陌生人
示例 习惯追踪器、家庭家务看板、食谱配料换算工具 薪资系统、医院预约平台、银行的移动服务
发生故障时 你或许能自行修复 员工可能拿不到工资、预约可能落空、资金可能被错误转移
数据 可能包含个人信息或敏感信息 属于他人的数据,依法负有保管义务
安全 隐私和安全依然重要 需要可靠的安全措施、监控和适当的审计
连接 很少或没有 支付、身份验证、ERP、监管机构及其他系统
生命周期 生命周期可能很短,也可能需要长期维护 需要多年维护、升级和支持

一个实用的判断方法是:问问它凌晨3点发生故障时会怎样。对于个人应用,你或许可以等到早上再修。对于人们依赖的服务,则可能需要有人立即响应。

并非每个应用都需要同等程度的工程投入,也不是每项任务都适合交给未经测试的应用。你为自己制作的健身房计时器,就是个人应用。而存储会员支付信息、健康数据和合同的系统则属于软件,并且承担着无法靠一句提示词取代的责任。

Google此举真正面向哪些人

个人应用不会出现在 Play 搜索结果或应用列表中,也不会分享给创建者以外的任何人。与信任的联系人分享功能尚未推出。受欢迎的应用之后可以转为公开上架,但必须先通过信任与安全审核,而且仍须遵守 Google Play 的政策。Google 自己的公告将此次更新定位于 Play。

这种设计面向个人、家庭和小范围群体,而不是面向要向员工和客户部署系统的公司。

实际情况会是这样:

  • 一名学生制作了一个符合自己考试时间表的复习计划工具。
  • 一位店主为自己制作了一个私人的库存查看界面,这样他站在货架间时就能看到哪些商品库存不足。
  • 一位板球队队长为12位朋友制作了一个队员出勤情况投票工具。

这些东西确实有意义、也很实用;但直到现在,其中大多数都从未被开发出来,因为成本太高。真正的价值就在于此:打造小型个人应用的成本已经几乎降为零。

这对现有软件开发者意味着什么

个性化应用将会抢占一部分市场,值得明确的是,它们会在哪些领域与现有产品竞争。

适合它们发挥作用的领域。人们过去会下载一些小巧、用途单一的实用工具,因为找不到更合适的选择:自定义单位换算器、简单的开支记录工具、健身计时器、完全符合个人习惯的待办清单,或是你构想过、却不知道如何制作的实用工具。为什么要为一个只能满足你 5% 需求的工具付订阅费,明明你可以自己做一个满足全部需求的工具?

不适合它们发挥作用的领域。凡是以信任、规模或问责为核心的领域都不适合,例如银行业务、薪资管理、医疗记录、物流和身份认证。没人愿意把自己的薪水或病史交给一个未经审核、临时拼凑的应用来保管。这些系统需要共享数据、审计追踪、集成能力,以及在出问题时承担责任的人。

实事求是地说,情况并不是“应用取代软件”,而是过去那些零散细小的需求终于得到了满足;与此同时,人们也会根据严肃软件本应提供的价值来评判它:可靠性、安全性和支持服务。那些仅靠方便取胜的老牌企业应该提高警惕。依靠可靠性立足的企业,如今比以往任何时候都更能清楚地说明自己的价值。

可靠性是内建的,而不是事后补上的

AI 让编写代码变得更快,却不能保证代码正确。2025 年 Stack Overflow 开发者调查发现,84% 的开发者正在使用或计划使用 AI 工具,但有 46% 的人表示不信任 AI 输出的准确性,相比之下,信任其准确性的开发者占 33%。即使是每天使用这些工具的人,也会检查结果。

对于简单的个人应用,后果或许尚可控制,不过隐私和安全仍然重要。如果你的习惯追踪应用把某一天算错了,你可以自行修正。但如果软件服务于他人,同样的失误可能导致记录泄露或付款出错。

因此,严谨的团队会把质量视为软件开发过程的一部分,而不是最后才做的润色。NIST 安全软件开发框架阐述了这一点:它涵盖了组织准备、代码保护、开发安全性良好的软件,以及应对漏洞的实践。

随着应用不断变化,挑战也会随之增加。新功能可能影响现有功能、数据结构或访问权限。如果没有测试和版本控制,一个小改动就可能破坏原本正常运行的部分。

可以用日常生活中的例子来类比:家庭厨师可以即兴做一顿饭给家人吃;餐厅则需要进行卫生检查、保存供应商记录,并建立一套每晚都能稳定执行的流程。两者都是烹饪,但只有一种需要达到明确的标准。

拥有你所打造的一切

打造一项成果时,“所有权”有三种不同含义。在做出承诺之前,不妨把这三个问题都问一遍。

  • 代码所有权:我能把源代码带走吗?例如,你做了一个预算应用,之后想请开发者为它扩展功能。你能导出代码,还是代码只能留在某个平台里?
  • 数据可移植性:我能把自己的信息带走吗?例如,记录开支一年后,你能把记录导出为可在其他地方打开的文件,还是这些数据被锁定在平台里?
  • 应用可移植性:应用能在开发它的平台之外运行吗?例如,如果你需要更换托管服务商,或迁移到另一个开发环境,能否把应用及其依赖项一并带走,还是必须重新开发?

个人应用可能很容易制作,却难以迁出,最终悄然变成一种束缚。Google 的私有分发模式限制了能够发现这些应用的人,但隐私也取决于应用如何处理数据和权限。对任何 AI 构建工具而言,更广泛的启示都是:要弄清楚哪些内容可以导出、哪些内容依赖平台,以及如果你想离开会发生什么。选择能让你保留代码、数据和选择空间的工具。

工程师为何会变得更加重要,而非不再重要

人们很容易认为,如果 AI 编写代码,工程师的重要性就会降低。但证据恰恰指向相反的结论。Google 的 DORA 2025 年研究将 AI 的主要作用描述为放大器:它会放大一个组织已有的优势和弱点。

拥有良好测试、明确责任分工和稳健设计的团队,工作会变得更快、质量也会更好。缺少这些条件的团队,则会更快地犯错。最大的回报来自周边的整个体系,而不是工具本身。

设想有两支团队使用同一款 AI 助手。一支团队会审核每项改动、进行测试,并监控产品在生产环境中的运行情况;另一支团队则把 AI 生成的内容一概直接发布。几个月后,第一支团队打造出了客户信赖的产品,第二支团队却积累了一堆没人弄得明白的问题。

因此,工程师的工作正从敲代码转向评判代码:决定要构建什么,检查 AI 生成的内容,并确保整个系统安全。这是一项价值更高的技能,而不是价值较低的技能。

下一篇章

Google 的公告是个好消息。如今,任何人只要说明自己想构建什么,就能在自己的手机上把想法变成可运行的应用,无须具备任何经验或编程知识,也不必聘请一队专业人士。这拓宽了能够参与构建应用的人群,也将催生许多过去从未存在过、却实用的小工具。

有几点值得明确区分:个人应用可以满足一个人的需求;而供他人依赖的软件,则必须达到更高的可靠性、安全性和支持服务标准。两者都值得存在,但各自需要不同程度的维护。

所以,我想邀请你试试看。如果你曾经想过“要是有个应用能解决这个问题就好了”,那就别再空想了。何不自己动手做一个?

Bindesh Vijayan 是 Myndlab 的联合创始人和首席技术官,他领导了先进 AI 系统的设计和开发,这些系统可以将想法转化为可部署、生产就绪的软件。在微软工作了 14 年多,包括参与了微软 Azure 的测试,Bindesh 拥有丰富的经验,涵盖了过去三十年中最重要的技术转变,从早期计算到云计算和现在的 AI 原生开发。

他的更广泛的职业生涯包括在主要的全球组织中的角色。从包括 SAP 和 Infosys 在内的财富 500 企业到全球战略领域的领军企业 Accenture,他在工程、企业系统和商业转型的交叉点工作。Bindesh 以结合实践技术深度和战略远见而闻名,他在多个市场和技术环境中建立并领导了高绩效的工程团队。

在 Myndlab,Bindesh 专注于塑造下一代自主软件交付的未来。他的专业知识涵盖了大型语言模型、AI 代理、提示工程、模型优化和生产级 AI 架构,重点是构建可扩展、效率高和商业有用的系统。他特别感兴趣的是如何让智能代理和端到端的 AI 工作流程填补概念和执行之间的差距,使先进的软件创建更快、更容易被企业和开发者接受。